엔비디아 쿠모 타뷸러 공개
엔비디아가 정형 데이터 예측 분야에서 정확도와 효율성을 높인 인공지능 모델 쿠모 타뷸러를 선보였습니다. 해당 모델은 4개의 주요 벤치마크에서 1위를 기록했으며, 코드는 깃허브와 허깅페이스에서 배포됩니다.
주장엔비디아 쿠모 타뷸러는 정형 데이터 예측 분야에서 정확도와 효율성의 기준을 제시합니다.
팩트쿠모 타뷸러는 2800만 개에서 2억 1500만 개의 파라미터 규모를 가진 세 가지 모델로 구성되었습니다.
팩트해당 모델은 상업적 이용이 가능한 오픈엠디더블유-1.1 라이선스로 배포됩니다.
팩트이 모델은 탭아레나, 비욘드아레나, 탈렌트, 스코어링벤치 등 4개의 주요 벤치마크에서 1위를 기록했습니다.
팩트모델은 단일 지포스 RTX 6000 프로페셔널 환경에서 기존 모델 대비 17배 빠른 속도를 보였습니다.
주장대규모 언어 모델의 인컨텍스트 러닝 방식을 정형 데이터에 적용했습니다.
팩트모델은 수백만 개의 인공 데이터를 학습하여 별도의 추가 학습 없이 새로운 테이블의 라벨을 예측합니다.
팩트모델은 셀 임베딩, 행 임베딩, 인컨텍스트 러닝의 세 단계를 거쳐 데이터를 처리합니다.
팩트모델은 결측치 처리를 위한 별도의 정제 과정이 필요 없으며 수치형과 범주형 데이터를 모두 처리합니다.
교차검증테이블의 크기가 커질수록 어텐션 성능이 저하되는 문제를 해결하기 위해 길이 인식 어텐션 온도를 도입했습니다.
팩트쿠모 타뷸러는 구조적 인과 모델을 통해 생성된 수천만 개의 인공 테이블로 사전 학습되었습니다.
팩트학습 과정은 1024개 행에서 최대 6만 개 행까지 컨텍스트 범위를 확장했습니다.
주장정형 데이터는 기업 기계 학습의 근간을 이루며 고객 기록과 거래 로그 등 산업 전반에서 쓰입니다.
팩트모델의 코드와 가중치는 엔비디아 깃허브와 허깅페이스 저장소를 통해 공개되었습니다.
팩트사용자는 복잡한 설정 없이 모델을 다운로드하여 활용합니다.
출처엔비디아 허깅페이스 공식 블로그(https://huggingface.co/blog/nvidia/kumo-tabular) 및 관련 깃허브 저장소의 보도를 교차 검증했습니다.
관련 콘텐츠
본 기사는 전문가의 분석과 공개 자료를 기반으로 AI가 작성 후 다른 AI의 검증을 거쳐 작성됐으며 정보의 정확성과 완전성을 보장하지 않습니다. 기사 내용은 특정 투자·의사결정의 권유가 아니며, Wittgenhaus는 이를 근거로 한 행위의 결과에 책임을 지지 않습니다.
